米Figure AI（フィギュアAI）とAIクラウド事業者の英Nscale（エヌスケール）は2026年9月3日、人型ロボット向けAIモデル「Helix（ヘリックス）」の開発加速に向け、初期35億ドル規模の複数年戦略的提携を結びました。人型ロボットの競争軸が機械設計から超大規模計算資源を前提とした基盤モデル開発へ移行するなか、ハードウェアのすり合わせを得意としてきた日本の製造業およびロボット開発企業は、開発思想と投資規模の抜本的な見直しを迫られています。
米国で加速する「ネオクラウド同盟」と知能OSの垂直統合
米国の人型ロボット開発では、大規模言語モデル（LLM）で起きた計算資源のスケーリング則を物理世界の制御へ適用する動きが本格化しています。Figure AIとNscaleの提携は、その象徴的な事例といえます。
提携の契約規模は初期コミットメントで35億ドル（約5,460億円、1ドル＝156円換算）に達し、将来的には60億ドル（約9,360億円）超への拡大が計画されています。NscaleはFigure AIに出資して株主となる一方、Figure AIに対する優先コンピュートプロバイダーの地位を獲得しました。大手ハイパースケーラー（AWS、マイクロソフトAzure、Google Cloud）を経由せず、特化型GPUクラウドである「ネオクラウド」と直接結びつくことで、膨大な計算資源を長期かつ安定的におさえる戦略です。
循環型AI経済とテキサス拠点への配備計画
本提携の背後には、半導体大手エヌビディア（NVIDIA）を中心とする資本とハードウェアの循環構造が存在します。エヌビディアはFigure AIのシリーズCラウンド（評価額390億ドル、10億ドル超調達）に出資しているだけでなく、NscaleのシリーズBラウンド（11億ドル調達）にも出資しています。自社の次世代プラットフォーム「Vera Rubin（ヴェラ・ルービン）」を優先供給し、クラウド事業者とロボット企業の双方からエコシステムへ資金を環流させる構造を形成しています。
この資本構造は、エヌビディアの7500億ドルAI投資とは？循環型資金供給の仕組みとデータセンター刷新の課題で解説したインフラ主導の資金循環モデルが、フィジカルAI分野にも完全に波及したことを裏付けています。
初期配備は2027年後半、米テキサス州バーストーのデータセンターで開始される予定です。Vera Rubinプラットフォームに基づくGPUを最大10万基配備する契約となっており、未曾有の計算能力がロボットの動作学習へと投入されます。
| 項目 | 詳細・数値 | 備考・背景 |
|---|---|---|
| 初期契約規模 | 35億ドル（約5,460億円） | 将来的に60億ドル超へ拡張予定 |
| 配備予定GPU | NVIDIA Vera Rubin 最大10万基 | Rubin GPU、Vera CPU、第6世代NVLink |
| 配備拠点・時期 | 米テキサス州バーストー（2027年後半〜） | ギガワット級受電と液冷ファシリティを整備 |
| Figure AI 評価額 | 390億ドル | 2025年9月シリーズC完了時点 |
| 累計資金調達額 | 約19億ドル（調達額超の資源契約） | 将来の商用化を見越した先行投資 |
| 製造工場 BotQ 実績 | 350台超製造（2026年4月時点） | 1日1台から1時間1台ペースへ加速 |
政策とグローバル競争環境の二極化
人型ロボットを巡るグローバルな開発競争は、米中対立と安全保障政策の影響を受けて二極化が進んでいます。
米連邦通信委員会（FCC）は2026年7月28日、安全保障上の懸念を理由に対象機器リスト（Covered List）を更新しました。先進的なロボット機器（二足歩行・四足歩行ロボット等）の新規輸入および認証を禁止する方針を示し、米国内の自国製ハードウェア保護を鮮明にしています。
中国勢（Unitree、AgiBotなど）は深セン・東莞のサプライチェーンを活用し、1台あたり1万6,000ドル台からの低価格ハードウェアを量産して市場浸透を図っています。これに対し米国勢は、FCC規制による国内市場の防壁を背にして、巨額の計算資源を投じた基盤モデルの性能で圧倒する「知能OSの垂直統合戦略」を明確に打ち出しています。
国際規格の面でも、従来の産業ロボット規格（ISO 10218等）とは異なり、動的安定を伴う人型ロボットの安全規格「ISO 25785-1」の策定がISO TC 299/WG 12で進行しています。ハードウェアの安全性だけでなく、AIモデルによる自律制御の妥当性評価が今後の市場投入における必須条件となります。
「フィジカルAIのフライホイール」を成立させる技術的要件
Figure AIがフロンティアLLM開発並みの計算資源を必要とする理由は、同社が推進する視覚・言語・行動（VLA: Vision-Language-Action）基盤モデル「Helix」のアーキテクチャにあります。
初代Helixは上半身を中心とした動作生成にとどまっていましたが、2026年1月に発表された「Helix 02」は、歩行、物体操作、姿勢維持を1つのニューラルネットワークで統合処理する全身制御を実現しました。ルールベースの運動方程式（逆運動学やゼロモーメントポイント制御）を排し、センサー入力からアクチュエータの関節トルク指令までをエンドツーエンドで学習させる構成を採用しています。
基盤モデルの進化メカニズムについては、ロボット基盤モデルとは？仕組みから最新動向・2030年予測まで徹底解説でも触れたように、パラメータ規模と多様なマルチモーダルデータの掛け合わせがモデルの汎化性能を決定づけます。
シミュレーションと実機データを結ぶ三位一体の学習ループ
エヌビディアのジェンスン・フアンCEOが指摘した「フィジカルAIのフライホイール」は、以下の3つの要素が超高速で循環するシステムです。
- 大規模モデル訓練（Cloud）: Nscaleが提供するNVIDIA Vera Rubinクラスタ上で、数十億〜数百億パラメータのHelixモデルを事前学習および強化学習します。
- 超並列シミュレーション（Simulation）: NVIDIA Isaac Sim環境を用い、物理エンジン上で数万台規模の仮想ロボットを並列稼働させます。転倒や衝突を含む過酷なシナリオを高速生成し、Sim-to-Real（シミュレーションから実実世界への適応）のギャップを埋めます。
- 実機フリートでの推論とデータ収集（Edge）: Figure 03に搭載された機体内GPUでモデルを動作させ、実環境で作業を実行します。未知の物体や失敗時の接触データはエッジから収集され、クラウドの再学習パイプラインへフィードバックされます。
実機フリートとデータ蓄積のロードマップに関しては、人型ロボットの現場展開とデータ蓄積の仕組み｜GPT-2段階から2028年量産への技術ロードマップと課題で詳述した通り、現場データの密度がモデルの適応力を左右します。
Figure AIは2026年8月、物理動作データ収集プラットフォーム「Index」を公開しました。世界100カ国以上から1,600万本以上の動作動画を収集し、毎秒30〜35分相当のデータをパイプラインに投入しています。こうした実世界データとIsaac Simの合成データをVera Rubinに投入し続けることで、動作生成の精度を継続的に引き上げる設計です。
ハードウェア実装の絶対条件と物理的制約
この学習基盤を実用化するためには、極めて高いハードウェアスペックが前提となります。
Vera Rubinプラットフォームは、第6世代NVLinkによる超広帯域インターコネクトを備えています。全身の関節制御と高解像度カメラの視覚トークンをミリ秒単位のレイテンシで同期学習させるには、GPU間の通信ボトルネック解消が不可欠です。
しかし、この技術基盤の稼働には物理的な制約も伴います。テキサス州バーストーで計画されているデータセンター整備では、以下の2点が主要な課題です。
- 電力網（グリッド）への接続遅延: テキサス州電力信頼度協議会（ERCOT）管内では、データセンターの新設に伴う送電網接続審査（Interconnection Queue）が長期化しています。数百メガワットからギガワット級の受電容量を2027年後半までに確実に確保できるかが焦点となります。
- 高密度液冷インフラの構築: Vera Rubin世代のシステムは、1ラックあたりの消費電力が100kWを超える設計となります。従来の空冷設備では冷却が不可能なため、ダイレクト・ツー・チップ（Direct-to-Chip）方式の水冷設備の敷設が必須条件となります。
2027年後半という初期稼働のタイムラインは、これらのファシリティ整備が計画通りに進むかどうかに直接左右されます。
日本の製造業・ロボティクス産業への示唆
Figure AIの巨額投資は、日本のロボット産業が直面している構造的転換点を浮き彫りにしています。これまで日本企業が強みとしてきた減速機、サーボモータ、精密加工技術による「高精度なメカニクス」は、ハードウェアのコモディティ化が進む世界市場において十分な差別化要因になり得なくなっています。
「ハードウェア依存」からの脱却と資本力の壁
中国企業が圧倒的なサプライチェーン集積をテコにハードウェアの低価格化を進め、米国企業が数千億円規模の計算基盤によって自律的な知能OSを掌握するなか、日本の製造業はその中間に埋没する危険を抱えています。
国内の自動車メーカーや機械メーカーでも人型ロボットの活用検討が始まっていますが、学習基盤への投資規模には大きな開きがあります。国内企業が数基から数十基のGPUクラスタでPoC（概念実証）を繰り返している間に、米国勢は10万基規模のクラスタで全身制御モデルの網羅的な自己教師あり学習を進めています。この資本集約型の開発構造に対して、従来通りのハードウェア単体売り切りモデルで対抗することは困難です。
日本企業が着手すべき実行可能な戦略
国内の技術責任者および事業責任者が取るべき現実的な選択肢は、汎用基盤モデルそのものの学習競争に単独で挑むことではありません。自社が保有する現場ドメインへのモデル適応力と、フィジカルデータの品質で優位性を築くアプローチが求められます。
具体的には、以下の3つの領域において即座に手を打つ必要があります。
第一に、自社製造ラインや物流拠点における「物理接触データの構造化」です。日本の製造現場には、長年培われた組付け作業、研磨、配線作業などの高度な暗黙知が存在します。これらを視覚・触覚・トルクログのマルチモーダルデータとして体系的に記録し、基盤モデルのファインチューニング用データセットとして整備することが重要です。
第二に、シミュレーション環境と実機データの連携体制の構築です。米国勢が強みを持つIsaac Simなどの共通プラットフォーム上に自社設備のデジタルツインを構築し、Sim-to-Realギャップを埋める検証環境を社内に標準化しておく必要があります。
第三に、国内のインフラ制約を踏まえたエッジ推論技術の高度化です。日本国内ではデータセンターの電力不足と電気料金の高騰が顕著であり、国内で10万基規模の学習クラスタを構築することは容易ではありません。したがって、クラウド側で訓練された超大規模モデルを、ロボット機体内の低消費電力SoCでリアルタイム動作させる「モデル軽量化・蒸留技術」および「エッジ推論最適化」にリソースを集中投下することが極めて合理的です。
次の戦略判断に向けたアクション
計算資源の規模がロボットの身体知能を決定するフェーズに入った今、自社の技術戦略を再設計するための具体的な取り組みが求められます。
- 実環境における物理データ収集体制の設計
自社の生産ラインや倉庫において、作業者の手先動作、把持力、エラー復旧プロセスのマルチモーダルログ（映像、時系列センシングデータ）を記録するパイプラインを即座に構築してください。ハードウェアの仕様が変わっても再利用可能な高品質データセットの蓄積が、将来の基盤モデル導入時の立ち上げ速度を決定づけます。
- 物理シミュレーション環境（Isaac Sim等）の早期導入
ロボットの実機購入に先行して、仮想環境上でのデジタルツイン構築と動作検証パイプラインを立ち上げてください。実機のみに依存する従来の開発プロセスを脱却し、合成データを用いた並列シミュレーション環境をエンジニアリング組織の標準ツールとして定着させることが不可欠です。
- エッジ推論基盤と軽量化技術への投資集中
クラウド上の巨大モデルを機体内でミリ秒単位の遅延なく動作させるため、量子化、知識蒸留、専用NPUへの最適化コンパイラ技術を評価・選定してください。中央の超大規模学習基盤を持つ海外プラットフォーマーと連携しつつ、末端の実行環境において主導権を握るアーキテクチャ設計へ舵を切る必要があります。
出典: 財経新聞
出典: Figure AI 公式発表
出典: Nscale プレスリリース
出典: Forbes
